برنامه بلندپروازانه آمریکا برای ترکیب هوش مصنوعی، رایانش کوانتومی و همجوشی هسته‌ای

بسیاری از مردم اصطلاحاتی مانند «کوانتوم» را مدام به کار می‌برند؛ مفاهیمی چنان انتزاعی و پیچیده که تحلیل و درک ساده آن‌ها برای افرادی غیر از دانشمندان و ریاضیدانان حرفه‌ای دشوار است. اگر دقت کنیم، مفاهیمی چون «هوش مصنوعی عمومی» (AGI) و «تکینگی» (Singularity) نیز وضعیتی مشابه دارند.

با این حال، در گوشه و کنار دنیای فناوری پیشرفت‌های جذاب و چشمگیری در جریان است که توجه همگان را به خود جلب می‌کند. در گفت‌وگویی میان داریو گیل، معاون علمی وزارت انرژی ایالات متحده (DOE) و آنانت‌ها چاندراکاسان، مدیر ارشد آکادمیک دانشگاه MIT، برنامه‌ها و ابتکارات جاه‌طلبانه دولت فدرال برای پیشتازی در حوزه هوش مصنوعی و فناوری‌های پیشرفته، همراه با چالش‌های فرهنگی و فناورانه آمریکا برای حفظ این جایگاه بررسی شد.

داریو گیل سخنان خود را با ارائه آماری کلیدی آغاز کرد و گفت: «ما مجموعه‌ای شامل ۲۹۷ پروژه مختلف را در تمام ۵۰ ایالت آمریکا طراحی و اجرا کرده‌ایم تا به چالش‌های ملی پاسخ دهیم؛ جایی که دانشمندان علاوه بر پیشبرد مرزهای علم، چگونگی بهره‌گیری از هوش مصنوعی و محاسبات کوانتومی را برای شتاب‌بخشی به کشفیات و حل مسائل پیچیده بررسی می‌کنند.»

به گفته او، آینده دنیای پردازش بر پایه یک «سه‌گانه محاسباتی با کارایی بالا» شکل خواهد گرفت؛ مثلثی قدرتمند متشکل از شبیه‌سازی، ابررایانه‌های هوش مصنوعی و محاسبات کوانتومی، که در آن رایانه‌های کوانتومی تحمل‌پذیر خطا (Fault-tolerant) با استفاده از برهم‌نهی کیوبیت‌ها توان محاسباتی را متحول می‌کنند. گیل در این زمینه به پروژه موسوم به «Quantum Genesis» اشاره کرد که توسط وزارت انرژی آمریکا دنبال می‌شود.

او افزود: «پیشنهادهای متعددی دریافت کرده‌ایم و هدف ما این است که تا سال ۲۰۲۸ به سیستمی با حدود ۱۰۰ کیوبیت منطقی و توانایی انجام ۱۰۰ میلیون عملیات، از جمله ۱۰۵ عملیات محاسباتی بسیار سنگین دست یابیم. این سه‌گانه شامل ابررایانه‌ها، هوش مصنوعی و کوانتوم، لایه زیرین زیرساخت ما را تشکیل می‌دهد. در لایه بالاتر، می‌خواهیم اطمینان حاصل کنیم که آمریکا همواره برترین مدل‌های پیشرو (Frontier Models) را، چه به‌صورت اختصاصی و چه در قالب مدل‌های متن‌باز با وزن‌های عمومی (Open Weights)، در اختیار دارد.»

آمارهای کلیدی سرمایه‌گذاری و توسعه

بخش دیگری از سخنان گیل به بررسی ابعاد مالی و بودجه‌های هنگفت اختصاص‌یافته به تحقیق و توسعه اختصاص داشت.

او با اشاره به اینکه ایالات متحده سالانه رقمی نزدیک به یک تریلیون دلار صرف تحقیق و توسعه می‌کند، توضیح داد: «۲۰۰ میلیارد دلار از این بودجه توسط دولت فدرال، حدود ۷۰۰ میلیارد دلار از سوی بخش خصوصی، و ۱۰۰ میلیارد دلار دیگر از طریق نهادهای خیریه، موقوفات دانشگاهی و مشارکت‌های ایالتی تأمین می‌شود.»

او هم‌چنین از همکاری صدها دانشمند و نهادهای علمی گوناگون سخن گفت و چشم‌انداز آینده را ترسیم کرد.

گیل تأکید کرد: «این نخستین باری است که نقشه‌راهی یکپارچه برای توسعه گداخت هسته‌ای در سراسر کشور تدوین کرده‌ایم. هدف نهایی و چشم‌انداز اصلی ما این است که تا اواسط دهه ۲۰۳۰، شاهد فعالیت نیروگاه‌های گداخت هسته‌ای تولیدکننده برق باشیم.»

گیل در ادامه به مشخصات فنی پروژه‌های جاری اشاره کرد؛ از جمله یک کلاستر پردازشی مجهز به ۱۰ هزار تراشه گرافیکی (GPU) در آزمایشگاه ملی Oak Ridge که به‌گفته او، از زمان توافق اولیه تا ساخت کامل و بهره‌برداری عملیاتی، کمتر از ۱۱ ماه طول کشید.

او با اشاره به اینکه این پروژه سریع‌ترین ابررایانه‌ای است که تاکنون در بدنه دولت راه‌اندازی شده، به کلاستر عظیم GPU در آزمایشگاه آرگون (Argonne)، دو سامانه بزرگ دیگر در دست ساخت در آزمایشگاه‌های Oak Ridge و لارنس برکلی طی دو سال آینده، و در نهایت هدف بزرگ دستیابی به کلاستری با ۱۰۰ هزار GPU اشاره نمود.

او درباره کنسرسیوم مأموریت Genesis توضیح داد: «از طریق کنسرسیوم Genesis Mission که بیش از ۶۰ نهاد و مؤسسه را در بر می‌گیرد، شرکای ما تعهدی معادل ۲٫۴ میلیارد دلار، عمدتاً در قالب منابع پردازشی، ارائه کرده‌اند که در اختیار تیم‌های پژوهشی و توسعه‌دهندگان این پلتفرم قرار می‌گیرد. در حال حاضر ۳۰۰ تیم علمی در سراسر کشور، از جمله در MIT، روی این برنامه کار می‌کنند و هدف شرکا تأمین زیرساخت محاسباتی و توکن‌های لازم است تا پژوهشگران در لبه فناوری به نوآوری بپردازند.»

دگرگونی رویکرد پژوهش و استفاده از داده‌های علمی

گیل در بخش دیگری از صحبت‌های خود، به نحوه تکامل و تغییر روش پژوهش در مراکز دولتی پرداخت.

او در گفت‌وگو با چاندراکاسان اظهار داشت: «امروزه وقتی مدل‌های هوش مصنوعی را با استفاده از داده‌های علمی آموزش می‌دهیم، مجموعه‌داده‌های در دسترس ما صرفاً محصول جانبی آزمایش‌هایی هستند که در گذشته انجام داده‌ایم؛ چراکه این داده‌ها به‌صورت هدفمند برای هوش مصنوعی جمع‌آوری نشده بودند. ما آزمایش‌های علمی را پیش می‌بردیم و برخی گروه‌ها داده‌ها را بهتر از دیگران سازماندهی می‌کردند. اما از این پس قرار است همه کارها با برنامه‌ریزی و هدفمندی بسیار بیشتری پیش برود.»

او در ادامه تشریح کرد: «اکنون صدها مجموعه‌داده در اختیار داریم که نه تنها در پلتفرم در دسترس هستند، بلکه خطوط پردازشی جدیدی ایجاد کرده‌ایم تا بتوانیم آن‌ها را توکنایز (Tokenize) کرده و در قالب‌های مناسب آماده کنیم. در شیوه جدید کاری، باید از همان ابتدا پیش‌بینی کنیم که نتایج و داده‌های تجربی مستقیماً در تار و پود مدل‌های هوش مصنوعی تجلی یابند. ما تمرکز ویژه‌ای بر توسعه مدل‌های متن‌باز و مدل‌هایی با وزن‌های عمومی (Open Weights) داریم تا این دارایی‌های علمی متعلق به جامعه پژوهشی، نماد و جایگاه پیشتازی علمی کشور باشند.»

رقابت ژئوپلیتیک و چالش تربیت نخبگان

در ادامه، چاندراکاسان درباره حفظ برتری رقابتی آمریکا پرسید: «چگونه ایالات متحده می‌تواند برتری رقابتی خود را حفظ کند؟ این چالشی بنیادین و نگران‌کننده است؛ چین جامعه‌ای است که در تمام سطوح، از نهاد خانواده گرفته تا دانشگاه و ساختار حاکمیتی، تمرکز فوق‌العاده‌ای بر علوم و مهندسی دارد و دانشمندان و مهندسان پرشماری در جایگاه‌های دولتی آن حضور دارند. این رویکرد ریشه در فرهنگ و برنامه‌ریزی دقیق آن‌ها دارد و ما برای رقابت در این حوزه کار دشواری پیش رو داریم.»

گیل در پاسخ گفت: «ما باید روی نسل آینده دانشمندان و مهندسانی سرمایه‌گذاری کنیم که مهارت دوگانه تخصصی همراه با تسلط بر هوش مصنوعی داشته باشند. هدف ما کوتاه کردن مدت‌زمان دوره دکتری است و در این زمینه با دانشگاه‌ها همکاری خواهیم کرد. بخشی از اهداف ما در برنامه Genesis Mission و راه‌اندازی بورسیه ویژه آن، افزایش چشمگیر شمار دانشجویان و پژوهشگران بومی در رشته‌های مهندسی و علوم پایه است تا این پیام روشن را منتقل کنیم که به حضور پررنگ آن‌ها نیازمندیم.»

او درباره کاهش طول دوره دکتری توضیح داد: «آیا می‌توان دوره‌ای را تصور کرد که اخذ مدرک دکتری به‌جای شش سال، چهار سال طول بکشد؟ چگونه می‌توانیم به آن‌ها کمک کنیم تا علاوه بر تخصص در حوزه خود، به دانش هوش مصنوعی نیز مسلط شوند؟ چگونه فرصت دوره‌های کارآموزی در آزمایشگاه‌های ملی و بخش خصوصی را در فرایند تحصیلی آن‌ها تضمین کنیم؟ این‌ها پرسش‌هایی است که در قالب فراخوان پروژه‌ها با دانشگاه‌ها مطرح کرده‌ایم تا به مدل‌های جدیدی برای این دگرگونی دست یابیم.»

گیل برای تحقق این هدف، خواستار اجرای نسخه‌ای نوین از «قانون آموزش دفاع ملی» (National Defense Education Act 2.0) شد و گفت: «بی‌تردید باید راهی برای ایجاد انگیزه، الهام‌بخشی و حمایت از نسل جدید برای ورود به رشته‌های مهندسی و علوم پایه پیدا کنیم. ما باید توانمندی‌های پایه را با فراهم‌سازی زیرساخت‌های محاسباتی ارتقا دهیم و هم‌زمان آموزش‌های تخصصی و سفارشی‌سازی‌شده را برای حوزه‌ها و نهادهای گوناگون فراهم کنیم تا بتوانیم در سطح کلان پاسخگوی نیازهای کشور باشیم.»